Prediksi cacat Just-in-Time (JIT) memungkinkan identifikasi dini terhadap commit penyebab cacat selama proses pengembangan perangkat lunak. Namun, dataset JIT Android umumnya memiliki ketidakseimbangan kelas yang tinggi, yang dapat menurunkan performa model dan menyebabkan prediksi cenderung bias terhadap kelas mayoritas. Penelitian ini menganalisis pengaruh Synthetic Minority Over-sampling Technique (SMOTE) multi-varian dan optimasi hyperparameter berbasis Genetic Algorithm (GA) terhadap prediksi cacat JIT pada aplikasi Android. Eksperimen dilakukan pada 12 dataset benchmark Android menggunakan tiga model klasifikasi, yaitu Logistic Regression (LR), Random Forest (RF), dan XGBoost (XGB). Empat skenario eksperimen dievaluasi, yaitu Baseline, Oversampling, GA, dan Oversampling + GA. Performa model dievaluasi menggunakan Stratified 10-Fold Cross-Validation dengan metrik AUC dan Matthews Correlation Coefficient (MCC), sedangkan signifikansi statistik dianalisis menggunakan uji Friedman yang dilanjutkan dengan uji Wilcoxon signed-rank disertai koreksi Holm. Hasil penelitian menunjukkan bahwa skenario Oversampling + GA menghasilkan rata-rata AUC tertinggi pada seluruh model, yaitu 0,746 untuk LR, 0,813 untuk RF, dan 0,803 untuk XGB. Pada metrik MCC, performa terbaik diperoleh oleh Oversampling pada LR (0,311) serta oleh Oversampling + GA pada RF (0,440) dan XGB (0,422). Analisis statistik mengonfirmasi adanya perbedaan yang signifikan di antara keempat skenario eksperimen, baik pada AUC (p = 2,16 × 10??) maupun MCC (p = 4,19 × 10??). Secara keseluruhan, temuan penelitian ini menunjukkan bahwa penanganan ketidakseimbangan kelas melalui oversampling memberikan kontribusi yang lebih konsisten dalam meningkatkan performa prediksi cacat JIT Android dibandingkan optimasi hyperparameter saja, sementara kombinasi keduanya memberikan performa keseluruhan terbaik.